继续请教问题:关于 Pytorch 的 Autograd

雷达

为预防老年痴呆，时不时学点新东东玩一玩。
Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
import numpy as np
import matplotlib.pyplot as plt
: x  X! F: q: B! ~import random
+ [6 D6 k9 q( D3 T3 d7 }9 C. _2 t
2 |' j8 F6 g9 U5 Q' i1 H; `5 xx = torch.tensor(np.arange(1,100,1))
2 |' l. Q9 X# x* {% [2 o/ m1 fy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
% o. E9 K4 i8 N* a2 _b = torch.tensor(0.,requires_grad=True)

0 ?  T5 m9 L* {7 U6 pepochs = 100
  J9 r; M: K/ Z9 I! K
losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
/ `8 w8 V7 k2 t4 H. L. h  losses.append(loss)
  
9 e/ @. c9 X1 t6 ~( }8 `  loss.backward() # autograd
4 m5 N) X: I* w2 q  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
; x& l2 b( q; n0 I3 `/ S    b  -= b.grad*0.0001    # 回归 b
% P, r9 J/ z  i0 ^  w.grad.zero_()  
) O& v- a; B+ I  b.grad.zero_()

; E# V' z& u3 O% x/ Nprint(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
( g, x. @% P0 r9 m% U, B# v----------------------------------------------
最后的结果，w可以回到 w0 = 27 附近，b却回不去 b0=15。两处红字，损失函数是矢量计算后的均值，感觉 b 的回归表达有问题。
高手们帮看看是神马原因？
5 d5 |% G: W: x6 q

老福

3 T# Z' z: {% I- h5 j. C
没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
不好意思，再看一遍，好像你在自算回归而不是用现成的工具直接出结果，上面的评论只有一点用，就是确认是不是算法有问题。
-------
3 e3 @% v- J: J% j* a2 ?2 l0 ]算法诊断部分，建议把循环次数改为1000, 再看看loss是不是收敛。有点怀疑你循环次数不够，因为你起点是0, 步长很小。只是直观建议。

雷达

老福 发表于 2023-2-14 19:23
没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
% L. S! n* V  J9 j; }! A6 z-------
- K) Y0 |. x. O: c不好意思， ...

- f4 y% r3 x( O$ t7 u+ u谢谢，算法应该没问题，就是最简单的线性回归。
我特意没有用现成的工具，就是想从最基本的地方深入理解一下。

老福

雷达 发表于 2023-2-14 21:52
3 x% `  \/ L4 t/ B/ y谢谢，算法应该没问题，就是最简单的线性回归。
我特意没有用现成的工具，就是想从最基本的地方深入理解 ...

/ n5 h8 @5 p8 W6 T
刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。

或者把b但的起点改为1试试。

雷达

$ b/ I. m2 L0 p+ ?) `

老福 发表于 2023-2-14 22:00
刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
7 O) u! Z% D1 A
或者把b但的起点改为1试试。 ...

你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
0 N- N# n% S! y3 O' c
循环次数加成10倍，就看到 b 收敛了
' t7 p0 S. b. e/ i+ qw , b
27.002620697021484 14.826167106628418
& C' R4 e6 I1 J6 ~' k6 O6 j: v) P$ M
和 b 的起始位置无关，但 labeled data 用 y = (x*27+15+random.randint(-2,3)).reshape(-1) ，收敛就很慢。